基于多元统计分析的茄衣烟叶生产气候资源配置

为探究茄衣烟叶生产中的气候资源配置情况,以“云雪1号”品种为试验材料,通过调整移栽期以改变烟株生育期内的气候指标,采用多元统计分析法研究茄衣烟叶的气候资源配置及其对烟株农艺性状及发酵后烟叶化学成分的影响。相关性分析结果显示,烟株大田期的积温、≥10 ℃有效积温、总降水量与总温差对烟株农艺性状各指标的影响较大,其相关系数分布范围为0.478~0.939,而积温、≥10 ℃有效积温、平均气温对烟叶总糖、烟碱、总氮、蛋白质含量影响较大,其相关系数分布范围为-0.955~-1.000。采用因子分析的方法在8项气候指标中提取出气候积累因子与湿度因子2个主因子,进一步通过灰色关联分析得出上述二者分别是影响烟株农艺性状和烟叶常规化学成分的主因子。以上结果表明,确定茄衣烟株移栽期的主要气候因子依据为大田生育期的气温、降水量和相对湿度的综合配置。     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。